ML-For-Beginners/translations/hi/1-Introduction/2-history-of-ML/README.md

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "6a05fec147e734c3e6bfa54505648e2b",
  "translation_date": "2025-09-05T10:25:07+00:00",
  "source_file": "1-Introduction/2-history-of-ML/README.md",
  "language_code": "hi"
}
-->
# मशीन लर्निंग का इतिहास

![मशीन लर्निंग के इतिहास का सारांश एक स्केच नोट में](../../../../sketchnotes/ml-history.png)
> स्केच नोट: [Tomomi Imura](https://www.twitter.com/girlie_mac)

## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ml/)

---

[![मशीन लर्निंग के शुरुआती चरण - मशीन लर्निंग का इतिहास](https://img.youtube.com/vi/N6wxM4wZ7V0/0.jpg)](https://youtu.be/N6wxM4wZ7V0 "मशीन लर्निंग के शुरुआती चरण - मशीन लर्निंग का इतिहास")

> 🎥 ऊपर दी गई छवि पर क्लिक करें इस पाठ को समझने के लिए एक छोटा वीडियो देखने के लिए।

इस पाठ में, हम मशीन लर्निंग और कृत्रिम बुद्धिमत्ता के इतिहास में प्रमुख मील के पत्थरों को देखेंगे।

कृत्रिम बुद्धिमत्ता (AI) का इतिहास मशीन लर्निंग के इतिहास से जुड़ा हुआ है, क्योंकि ML के अंतर्गत आने वाले एल्गोरिदम और कंप्यूटेशनल प्रगति ने AI के विकास में योगदान दिया। यह याद रखना उपयोगी है कि, जबकि ये क्षेत्र 1950 के दशक में अलग-अलग अध्ययन के रूप में उभरने लगे, महत्वपूर्ण [एल्गोरिदमिक, सांख्यिकीय, गणितीय, कंप्यूटेशनल और तकनीकी खोजें](https://wikipedia.org/wiki/Timeline_of_machine_learning) इस युग से पहले और इसके साथ-साथ हुईं। वास्तव में, लोग इन सवालों पर [सैकड़ों वर्षों](https://wikipedia.org/wiki/History_of_artificial_intelligence) से विचार कर रहे हैं: यह लेख 'सोचने वाली मशीन' के विचार के ऐतिहासिक बौद्धिक आधारों पर चर्चा करता है।

---
## उल्लेखनीय खोजें

- 1763, 1812 [बेस प्रमेय](https://wikipedia.org/wiki/Bayes%27_theorem) और इसके पूर्ववर्ती। यह प्रमेय और इसके अनुप्रयोग पूर्व ज्ञान के आधार पर किसी घटना के होने की संभावना का वर्णन करते हैं।
- 1805 [लीस्ट स्क्वायर थ्योरी](https://wikipedia.org/wiki/Least_squares) फ्रांसीसी गणितज्ञ एड्रियन-मैरी लेजेंड्रे द्वारा। यह सिद्धांत, जिसे आप हमारे रिग्रेशन यूनिट में सीखेंगे, डेटा फिटिंग में मदद करता है।
- 1913 [मार्कोव चेन](https://wikipedia.org/wiki/Markov_chain), रूसी गणितज्ञ एंड्रे मार्कोव के नाम पर, पिछले स्थिति के आधार पर संभावित घटनाओं की एक श्रृंखला का वर्णन करता है।
- 1957 [पर्सेप्ट्रॉन](https://wikipedia.org/wiki/Perceptron) एक प्रकार का लीनियर क्लासिफायर है जिसे अमेरिकी मनोवैज्ञानिक फ्रैंक रोसेनब्लाट ने विकसित किया था और यह डीप लर्निंग में प्रगति का आधार है।

---

- 1967 [नजदीकी पड़ोसी](https://wikipedia.org/wiki/Nearest_neighbor) एक एल्गोरिदम है जिसे मूल रूप से मार्गों को मैप करने के लिए डिज़ाइन किया गया था। ML संदर्भ में इसका उपयोग पैटर्न का पता लगाने के लिए किया जाता है।
- 1970 [बैकप्रोपेगेशन](https://wikipedia.org/wiki/Backpropagation) का उपयोग [फीडफॉरवर्ड न्यूरल नेटवर्क](https://wikipedia.org/wiki/Feedforward_neural_network) को प्रशिक्षित करने के लिए किया जाता है।
- 1982 [रिकरेंट न्यूरल नेटवर्क](https://wikipedia.org/wiki/Recurrent_neural_network) कृत्रिम न्यूरल नेटवर्क हैं जो फीडफॉरवर्ड न्यूरल नेटवर्क से प्राप्त होते हैं और अस्थायी ग्राफ बनाते हैं।

✅ थोड़ा शोध करें। मशीन लर्निंग और AI के इतिहास में कौन-कौन सी अन्य तिथियां महत्वपूर्ण हैं?

---
## 1950: सोचने वाली मशीनें

एलन ट्यूरिंग, एक असाधारण व्यक्ति जिन्हें [2019 में जनता द्वारा](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) 20वीं सदी के सबसे महान वैज्ञानिक के रूप में चुना गया था, को 'सोचने वाली मशीन' की अवधारणा की नींव रखने में मदद करने का श्रेय दिया जाता है। उन्होंने इस अवधारणा के लिए [ट्यूरिंग टेस्ट](https://www.bbc.com/news/technology-18475646) बनाया, जिसे आप हमारे NLP पाठों में देखेंगे।

---
## 1956: डार्टमाउथ समर रिसर्च प्रोजेक्ट

"डार्टमाउथ समर रिसर्च प्रोजेक्ट ऑन आर्टिफिशियल इंटेलिजेंस कृत्रिम बुद्धिमत्ता के क्षेत्र के लिए एक महत्वपूर्ण घटना थी," और यहीं पर 'कृत्रिम बुद्धिमत्ता' शब्द का निर्माण हुआ ([स्रोत](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth))।

> सीखने या बुद्धिमत्ता की किसी भी अन्य विशेषता को इतनी सटीकता से वर्णित किया जा सकता है कि एक मशीन इसे अनुकरण कर सके।

---

मुख्य शोधकर्ता, गणित के प्रोफेसर जॉन मैकार्थी, ने आशा व्यक्त की कि "सीखने या बुद्धिमत्ता की किसी भी अन्य विशेषता को इतनी सटीकता से वर्णित किया जा सकता है कि एक मशीन इसे अनुकरण कर सके।" प्रतिभागियों में इस क्षेत्र के एक और प्रमुख व्यक्ति, मार्विन मिंस्की, भी शामिल थे।

इस कार्यशाला को "प्रतीकात्मक विधियों का उदय, सीमित डोमेन पर केंद्रित सिस्टम (प्रारंभिक विशेषज्ञ सिस्टम), और निगमनात्मक सिस्टम बनाम आगमनात्मक सिस्टम" सहित कई चर्चाओं को शुरू करने और प्रोत्साहित करने का श्रेय दिया जाता है। ([स्रोत](https://wikipedia.org/wiki/Dartmouth_workshop))।

---
## 1956 - 1974: "स्वर्ण युग"

1950 के दशक से लेकर 70 के दशक के मध्य तक, AI के कई समस्याओं को हल करने की उम्मीद में काफी आशावाद था। 1967 में, मार्विन मिंस्की ने आत्मविश्वास से कहा, "एक पीढ़ी के भीतर ... 'कृत्रिम बुद्धिमत्ता' बनाने की समस्या काफी हद तक हल हो जाएगी।" (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)

प्राकृतिक भाषा प्रसंस्करण अनुसंधान फला-फूला, खोज को परिष्कृत और अधिक शक्तिशाली बनाया गया, और 'माइक्रो-वर्ल्ड्स' की अवधारणा बनाई गई, जहां सरल कार्यों को साधारण भाषा निर्देशों का उपयोग करके पूरा किया गया।

---

सरकारी एजेंसियों द्वारा अनुसंधान को अच्छी तरह से वित्त पोषित किया गया, कंप्यूटेशन और एल्गोरिदम में प्रगति हुई, और बुद्धिमान मशीनों के प्रोटोटाइप बनाए गए। इनमें से कुछ मशीनें शामिल हैं:

* [शेकी रोबोट](https://wikipedia.org/wiki/Shakey_the_robot), जो 'बुद्धिमानी' से कार्यों को करने का निर्णय ले सकता था।

    ![शेकी, एक बुद्धिमान रोबोट](../../../../1-Introduction/2-history-of-ML/images/shakey.jpg)
    > 1972 में शेकी

---

* एलिजा, एक प्रारंभिक 'चैटरबॉट', लोगों से बातचीत कर सकता था और एक आदिम 'थेरेपिस्ट' के रूप में कार्य कर सकता था। आप NLP पाठों में एलिजा के बारे में अधिक जानेंगे।

    ![एलिजा, एक बॉट](../../../../1-Introduction/2-history-of-ML/images/eliza.png)
    > एलिजा का एक संस्करण, एक चैटबॉट

---

* "ब्लॉक्स वर्ल्ड" एक माइक्रो-वर्ल्ड का उदाहरण था जहां ब्लॉक्स को स्टैक और सॉर्ट किया जा सकता था, और मशीनों को निर्णय लेने के लिए सिखाने के प्रयोग किए जा सकते थे। [SHRDLU](https://wikipedia.org/wiki/SHRDLU) जैसी लाइब्रेरी के साथ बनाए गए प्रगति ने भाषा प्रसंस्करण को आगे बढ़ाने में मदद की।

    [![SHRDLU के साथ ब्लॉक्स वर्ल्ड](https://img.youtube.com/vi/QAJz4YKUwqw/0.jpg)](https://www.youtube.com/watch?v=QAJz4YKUwqw "SHRDLU के साथ ब्लॉक्स वर्ल्ड")

    > 🎥 ऊपर दी गई छवि पर क्लिक करें एक वीडियो देखने के लिए: SHRDLU के साथ ब्लॉक्स वर्ल्ड

---
## 1974 - 1980: "AI विंटर"

1970 के दशक के मध्य तक, यह स्पष्ट हो गया था कि 'बुद्धिमान मशीनें' बनाने की जटिलता को कम करके आंका गया था और उपलब्ध कंप्यूट पावर को देखते हुए इसकी संभावना को बढ़ा-चढ़ाकर पेश किया गया था। वित्त पोषण समाप्त हो गया और क्षेत्र में विश्वास धीमा हो गया। कुछ मुद्दे जिन्होंने विश्वास को प्रभावित किया उनमें शामिल हैं:
---
- **सीमाएं**। कंप्यूट पावर बहुत सीमित थी।
- **कॉम्बिनेटोरियल विस्फोट**। कंप्यूटर से अधिक मांग करने पर प्रशिक्षित किए जाने वाले पैरामीटर की मात्रा तेजी से बढ़ गई, लेकिन कंप्यूट पावर और क्षमता समानांतर रूप से विकसित नहीं हुई।
- **डेटा की कमी**। डेटा की कमी ने एल्गोरिदम का परीक्षण, विकास और परिष्कृत करने की प्रक्रिया को बाधित किया।
- **क्या हम सही सवाल पूछ रहे हैं?**। पूछे जा रहे सवालों पर ही सवाल उठने लगे। शोधकर्ताओं ने अपने दृष्टिकोणों के बारे में आलोचना का सामना करना शुरू किया:
  - ट्यूरिंग टेस्ट को 'चीनी कक्ष सिद्धांत' जैसे विचारों के माध्यम से सवालों के घेरे में लाया गया, जिसमें कहा गया कि "डिजिटल कंप्यूटर को प्रोग्राम करना इसे भाषा को समझने में सक्षम बना सकता है लेकिन वास्तविक समझ पैदा नहीं कर सकता।" ([स्रोत](https://plato.stanford.edu/entries/chinese-room/))
  - समाज में "थेरेपिस्ट" एलिजा जैसे कृत्रिम बुद्धिमत्ता को पेश करने की नैतिकता को चुनौती दी गई।

---

इसी समय, विभिन्न AI विचारधाराएं बनने लगीं। ["स्क्रफी" बनाम "नीट AI"](https://wikipedia.org/wiki/Neats_and_scruffies) प्रथाओं के बीच एक विभाजन स्थापित हुआ। _स्क्रफी_ लैब्स ने वांछित परिणाम प्राप्त करने तक प्रोग्रामों को घंटों तक समायोजित किया। _नीट_ लैब्स "तार्किक और औपचारिक समस्या समाधान" पर केंद्रित थे। ELIZA और SHRDLU प्रसिद्ध _स्क्रफी_ सिस्टम थे। 1980 के दशक में, जब ML सिस्टम को पुन: उत्पन्न करने की मांग उभरी, _नीट_ दृष्टिकोण धीरे-धीरे प्रमुखता में आया क्योंकि इसके परिणाम अधिक व्याख्यात्मक हैं।

---
## 1980 के दशक: विशेषज्ञ सिस्टम

जैसे-जैसे क्षेत्र बढ़ा, इसका व्यवसाय के लिए लाभ स्पष्ट हुआ, और 1980 के दशक में 'विशेषज्ञ सिस्टम' का प्रसार हुआ। "विशेषज्ञ सिस्टम कृत्रिम बुद्धिमत्ता (AI) सॉफ़्टवेयर के पहले वास्तव में सफल रूपों में से थे।" ([स्रोत](https://wikipedia.org/wiki/Expert_system))।

इस प्रकार का सिस्टम वास्तव में _हाइब्रिड_ है, जिसमें आंशिक रूप से एक नियम इंजन होता है जो व्यवसाय आवश्यकताओं को परिभाषित करता है, और एक इंफेरेंस इंजन होता है जो नियम प्रणाली का उपयोग करके नए तथ्यों का अनुमान लगाता है।

इस युग में न्यूरल नेटवर्क पर भी बढ़ती ध्यान दिया गया।

---
## 1987 - 1993: AI 'चिल'

विशेषज्ञ सिस्टम हार्डवेयर के प्रसार का दुर्भाग्यपूर्ण प्रभाव यह हुआ कि यह बहुत अधिक विशिष्ट हो गया। व्यक्तिगत कंप्यूटरों के उदय ने इन बड़े, विशिष्ट, केंद्रीकृत सिस्टमों के साथ प्रतिस्पर्धा की। कंप्यूटिंग का लोकतंत्रीकरण शुरू हो गया था, और इसने अंततः बड़े डेटा के आधुनिक विस्फोट का मार्ग प्रशस्त किया।

---
## 1993 - 2011

इस युग ने ML और AI के लिए एक नया दौर देखा, जिसमें पहले की समस्याओं को हल करने की क्षमता थी जो डेटा और कंप्यूट पावर की कमी के कारण उत्पन्न हुई थीं। डेटा की मात्रा तेजी से बढ़ने लगी और अधिक व्यापक रूप से उपलब्ध हो गई, अच्छे और बुरे दोनों के लिए, विशेष रूप से 2007 के आसपास स्मार्टफोन के आगमन के साथ। कंप्यूट पावर तेजी से बढ़ी, और एल्गोरिदम साथ-साथ विकसित हुए। क्षेत्र ने परिपक्वता प्राप्त करना शुरू कर दिया क्योंकि अतीत के मुक्त-प्रवाह वाले दिन एक सच्चे अनुशासन में बदलने लगे।

---
## वर्तमान

आज मशीन लर्निंग और AI हमारे जीवन के लगभग हर हिस्से को छूते हैं। इस युग में इन एल्गोरिदम के मानव जीवन पर संभावित प्रभावों और जोखिमों को सावधानीपूर्वक समझने की आवश्यकता है। जैसा कि माइक्रोसॉफ्ट के ब्रैड स्मिथ ने कहा है, "सूचना प्रौद्योगिकी ऐसे मुद्दों को उठाती है जो गोपनीयता और अभिव्यक्ति की स्वतंत्रता जैसे मौलिक मानवाधिकार सुरक्षा के दिल तक जाते हैं। ये मुद्दे उन तकनीकी कंपनियों के लिए जिम्मेदारी बढ़ाते हैं जो इन उत्पादों को बनाती हैं। हमारे विचार में, ये विचारशील सरकारी विनियमन और स्वीकार्य उपयोगों के आसपास मानदंडों के विकास के लिए भी कहते हैं।" ([स्रोत](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/))।

---

यह देखना बाकी है कि भविष्य क्या रखता है, लेकिन इन कंप्यूटर सिस्टम और उनके द्वारा चलाए जाने वाले सॉफ़्टवेयर और एल्गोरिदम को समझना महत्वपूर्ण है। हमें उम्मीद है कि यह पाठ्यक्रम आपको बेहतर समझ प्राप्त करने में मदद करेगा ताकि आप स्वयं निर्णय ले सकें।

[![डीप लर्निंग का इतिहास](https://img.youtube.com/vi/mTtDfKgLm54/0.jpg)](https://www.youtube.com/watch?v=mTtDfKgLm54 "डीप लर्निंग का इतिहास")
> 🎥 ऊपर दी गई छवि पर क्लिक करें एक वीडियो देखने के लिए: यान लेकुन इस व्याख्यान में डीप लर्निंग के इतिहास पर चर्चा करते हैं

---
## 🚀चुनौती

इन ऐतिहासिक क्षणों में से किसी एक में गहराई से जाएं और उनके पीछे के लोगों के बारे में अधिक जानें। ये पात्र आकर्षक हैं, और कोई भी वैज्ञानिक खोज कभी सांस्कृतिक शून्य में नहीं बनाई गई थी। आप क्या खोजते हैं?

## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ml/)

---
## समीक्षा और स्व-अध्ययन

देखने और सुनने के लिए यहां कुछ आइटम हैं:

[यह पॉडकास्ट जहां एमी बॉयड AI के विकास पर चर्चा करती हैं](http://runasradio.com/Shows/Show/739)

[![AI का इतिहास एमी बॉयड द्वारा](https://img.youtube.com/vi/EJt3_bFYKss/0.jpg)](https://www.youtube.com/watch?v=EJt3_bFYKss "AI का इतिहास एमी बॉयड द्वारा")

---

## असाइनमेंट

[एक टाइमलाइन बनाएं](assignment.md)

---

**अस्वीकरण**:  
यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता सुनिश्चित करने का प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।